GPT-Rosalind 对比 Grok 4.7：健康基准测试并非生物学门槛

Grok 4.7 发布时附带了一个乍看之下像是 GPT-Rosalind 答案的数字：在 HealthBench Professional 上达到 56.7%，高于 Grok 4.6 的 48.5%。这是一个临床知识基准，由 SpaceXAI 在 2026 年 9 月 21 日发布的一款模型的发布表中报告，也是两家公司材料中最接近医学评估的内容。GPT-Rosalind 于 2026 年 4 月推出，自 2026 年 10 月 5 日起全面发售，却没有公布任何可比数据——它的数字是化学和湿实验室基准，而且你需要通过可信访问审查才能自行运行这些基准。因此，真正的问题不是哪个模型在健康方面得分更高；而是健康基准衡量的是什么，与生物学访问门槛保护的是什么，以及为什么其中一个模型每 token 的成本只有另一个的三分之一，却对任何人开放。像这样的比较之后出现的基准争议和访问门槛变更，都会连同日期和来源记录在 AI Incident Archive 中，与我们跟踪的其他模型和供应商事件一起记录。

最终被证明很窄的重叠部分

HealthBench Professional 向模型提出的是临床医生会回答的那类问题。它奖励的是召回、校准以及保持临床框架的能力。它不要求模型设计扰动实验、阅读湿实验方案，或对构效关系进行推理。GPT-Rosalind 已发布的测试套件则是另一类测试：MedChemBench 涵盖效价与 ADME 预测以及逆合成；GeneBench 涵盖长时程基因组学；LabWorkBench 涵盖在真实实验方案中将扰动与结果联系起来。不同的工具，不同的目标。

• 衡量的是什么 — Grok 4.7：临床知识与判断力，在 HealthBench Professional 上得分 56.7%。GPT-Rosalind：化学与湿实验推理，在 MedChemBench 上得分 27.5%，在 LabWorkBench 上得分 63.2%。

• 由谁运行 — Grok 4.7：SpaceXAI，对阵其自家前代模型。GPT-Rosalind：O​penAI，对阵 GPT-5.5。

• 独立复现 — 两个基准均无。

• 这两个数字都没有告诉你的是——模型能否被信任给出一个将写入申报文件的结果。这是关于失效模式的问题，而不是分数的问题。

把两张表并排放置，它们没有任何一行是共有的。这不是报告中的空白，而是市场的形状。通用模型以广度衡量，专业模型以深度衡量，而厂商会挑选能展示自身优势的测试。

包络，这正是这两者真正不同之处

规格参数是比较中最不吸引人的部分，却也是决定一个工作流究竟是否可行的部分。在这里，两个模型之间的差异比基准对话所体现的更大。

• 上下文窗口 — Grok 4.7：500,000 个 token，是 GPT-Rosalind 的 1,000,000 的一半。

• 最大输出 — Grok 4.7：450,000 个 token，且 SpaceXAI 自己的文档声明不存在文本输出限制，这与我方模型卡上的 450K 数字不一致。我们指出这一分歧，而不选边站；供应商是其自身模型的权威。GPT-Rosalind：未单独公布输出上限。

• 输入 — Grok 4.7：文本和图像，JPG 或 PNG，每个最大 20 MiB，未记录图像数量上限，顺序不限。GPT-Rosalind：通过 ChatGPT、Codex 和 API 输入科学文件；尚未发布支持通用图像输入的声明。

• 推理控制 — Grok 4.7：reasoning_effort 可设为低、中、高或 xhigh，并在 xhigh 下引用了已公布的基准测试数据。GPT-Rosalind：API 中提供类似推理强度的控制，工具使用是该模型的核心。

• 工具 — Grok 4.7：函数调用、网络搜索、X 搜索和代码执行，全部在服务端完成。GPT-Rosalind：一个生命科学工具插件，在 ChatGPT 和 Codex 中内置五十多个工具。

• 知识截止 — Grok 4.7：2026年5月，默认不具备实时感知能力。GPT-Rosalind：未公布。

在这个领域，真正要命的是上下文差距。对基因组学工作来说，100 万 token 的窗口并不是奢侈配置；它能让模型一次容纳完整图谱或整套方案。按一般标准，Grok 4.7 的 50 万已经算慷慨，却只有这位专业选手的一半。与此同时，45 万输出上限远超任何生物学回答所需，却正是一次长智能体轨迹或大规模重构想要的。

这一组中价格差距最大。

Grok 4.7 是所有这些对比中最便宜的模型，而 GPT-Rosalind 则是最贵的，这让这笔账算得一目了然。

• 输入 — Grok 4.7 每 100 万 $2.00，而 GPT-Rosalind 为 $5.00。专用模型的价格是其 2.5 倍。

• 输出 —— Grok 4.7 $6.00 对比 GPT-Rosalind $25.00。4.2× 的差距，也是本文中最大的单一数字差异。

• 缓存输入 — Grok 4.7 $0.50 对比 GPT-Rosalind $0.50。两者完全相同，而这是唯一一项专业模型并不更贵的条目。

• 长提示 — 当提示达到 200K token 时，Grok 4.7 的价格翻倍至 $4.00 / $12.00，缓存价格为 $1.00。GPT-Rosalind 未公布长上下文附加费。

• 区域计费 — Grok 4.7 有一个美国端点，倍率为 1.1×，在 200K 以下折算为 $2.20 / $6.60。

输出比例才是决策真正取决于的地方。发现工作流会产生大量输出：候选列表、协议草稿、代码、长篇推理依据。按每百万输出 token 25 美元对 6 美元计算，一次生成一千万输出 token 的运行，在专用模型上花费 250 美元，在通用模型上花费 60 美元。这 190 美元是否能带来任何价值，是唯一值得问的问题，而没有任何已发布的基准测试能回答它。

独立评估者带来的价值

Grok 4.7 拥有一份真正独立的记录，它比厂商的表格更具信息量，因为它把那些无人宣传的成本也包含在内。

• 智能 — 在 Artificial Analysis 智能指数上得分为 46，版本 v4.3.2，在该榜单 211 个模型中排名第 21，远高于该指数中位数 26。GPT-Rosalind 完全不在榜单上；专业模型不在评估范围内。

• 每次索引运行成本 — $3.74，评估者记录到 75% 的缓存折扣，输入/输出费率与供应商自身的 $2.00 / $6.00 一致。其评论是，与价格相近的同类产品相比，该模型定价合理。

• 冗长度 — 整个索引共 2.4 亿输出 token，而中位数为 8800 万。Artificial Analysis 称其“非常冗长”，而这是此处对预算最有用的单一数字：在任何固定 token 费率下，思考链更长的模型每项任务成本更高。

• 速度——每秒 82.6 个输出 token，在 211 个中排名第 83，但评估器仍将其标记为低于平均水平。

真正应该改变你心算的是冗长度这个数字。如果 Grok 4.7 在完成任务时输出的 token 数量接近三倍，那么输出价格为 6.00 美元的它，并不比每任务 25.00 美元的 GPT-Rosalind 便宜 4.2 倍。按每任务计算，真实差距比价目表上说的要小，而且没有人公布 Rosalind 的冗长度数字可供比较——因为 Rosalind 不在榜单上。

为什么存在这道关卡，以及为什么 Grok 没有。

这是一种基准测试表无法体现的不对称性。Grok 4.7 向任何拥有计费账户的人出售，具备 500K 上下文、图像输入和服务端代码执行能力。GPT-Rosalind 只出售给通过审查的组织，而审查之所以存在，是因为 OpenAI 认为该模型的生物学能力属于不应按需提供的那类能力。

请把这理解为一种关于能力的表态，而不是安全作秀。一家对模型设限的实验室已经认定，该模型在某项重要任务上足够强，值得为此设限。SpaceXAI 对 Grok 4.7 并未作出同等判断，而其公布的强项——编程、智能体工具循环、长时间运行的软件工作——并不是那种会被设限的东西。

实际后果是：如果你的工作是计算性的、与生物学相邻而非身处其中，那么 Grok 4.7 现在就可用了，价格便宜，并且很适合这项任务的形态。如果你的工作就是生物学本身，那么你想要的那款模型则藏在一份表单之后，再多的 HealthBench Professional 也弥补不了这一点。在这种情况下，那道门槛就是产品本身，而不是产品的障碍。

为这一对进行路由，以及我们必须小心的那一点

Grok 4.7 已在 OrcaRouter 上线，按 SpaceXAI 的标价计费——每百万 token 输入 $2.00、输出 $6.00、缓存输入 $0.50，加价 0%，并将 200K 阈值作为定价档位延续下来，因此长提示词请求会如实计费，而不会让你措手不及。GPT-Rosalind 不在 OrcaRouter 上，也不在任何第三方路由器上；它直接通过 O​penAI 的可信访问计划运行。我们不会暗示并非如此，也没有任何可配置的路由能改变这一点。

留下的是这整套比较不断归结出的模式。研究平台的计算部分运行在 Grok 4.7 以及同一密钥背后的其他 200+ 个模型上，并具备 跨提供商的自动故障转移，因此容量问题会转移请求，而不是让运行失败。生物学那一半仍使用直接密钥。路由 DSL 正是你明确划出边界的地方：为专用模型设置一条命名路由，它在不可用时明确报错；为其他所有内容设置默认路由；并且绝不把通用模型的回答悄悄提升到专用模型槽位中。

模型融合在边界情形下值得了解。一个同时向廉价的通用模型和专家模型提出同一个问题、再进行比较的评审组，是一种捕捉被误分类请求的方式——那个看似属于管道类常规问题、实际却需要领域判断的请求。这也是使用一个你尚未完全信任的模型的诚实方式。

什么会改变答案

三项进展，没有一项是异乎寻常的。SpaceXAI 可以发布一份领域评测，其细致程度堪比 Rosalind 的化学套件——HealthBench Professional 是一个开端，但还远远不够。O​penAI 可以将十月的学术计划扩展到包含 API 访问权限，这将把免费的专业能力恰好送到那些目前负担不起的实验室。或者，一个独立的评测框架可以让两个模型接受同一套科学任务，这将解决两张厂商表格都刻意回避的问题。

在其中任何一个出现之前，这个取舍并不接近。如果请求涉及代码、数据或散文，Grok 4.7 的输出价格只有三分之一，工具面更大，并且有独立评分，此时选择专家模型只会是一种代价高昂的谨慎感。如果请求涉及科学，就支付 4.2× 的价格并接受评审，因为本次比较中唯一为此调优过的模型，正是那个让你填写表格的模型。